Not all distributional shifts are equal: Fine-grained robust conformal inference
并非所有分布漂移都相同：细粒度稳健共形推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要给出隐匿混杂下个体处理效应敏感性分析这一直接因果用途，通用预测框架不另作宏观或金融分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
并非所有分布漂移都相同：细粒度稳健共形推断
- 研究问题
- 当协变量分布变化与结果给定协变量的关系变化同时存在时，如何分别处理两类漂移，构造有效且高效的预测区间？
- 方法与思路
- 作者重加权训练样本以调整可识别的协变量漂移，并在 f 散度球内防御最坏条件分布漂移，结合共形与分布稳健学习。
- 材料陈述的贡献
- 摘要称算法产生近似有效的预测区间，可用于隐匿混杂下个体处理效应敏感性分析，并报告模拟及四项真实数据评估。
- 阅读关注点
- 应核对漂移可识别性的条件、散度球半径的确定方式、近似覆盖误差，以及预测区间如何转化为因果敏感性分析。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实；摘要未给出覆盖与效率保证的完整条件，也不能证明实际漂移位于设定球内。
原文摘要
We introduce a fine-grained framework for uncertainty quantification of predictive models under distributional shifts. This framework distinguishes the shift in covariate distributions from that in the conditional relationship between the outcome ($Y$) and the covariates ($X$). We propose to reweight the training samples to adjust for an identifiable covariate shift while protecting against worst-case conditional distribution shift bounded in an $f$-divergence ball. Based on ideas from conformal inference and distributionally robust learning, we present an algorithm that outputs (approximately) valid and efficient prediction intervals in the presence of distributional shifts. As a use case, we apply the framework to sensitivity analysis of individual treatment effects with hidden confounding. The proposed methods are evaluated in simulation studies and four real data applications, demonstrating superior robustness and efficiency compared with existing benchmarks.